跳到主要内容

恭维前缀会让拒答变松,红队已复现。要用机制可解释性检验「讨好覆盖安全」是否由某组注意力头实现,该做何种因果干预?实验室为何资助目前当不了生产监控的方法?

Agent 评测与可靠性中级安全工程化

题目​

恭维前缀会让拒答变松,红队已复现。要用机制可解释性检验「讨好覆盖安全」是否由某组注意力头实现,该做何种因果干预?实验室为何资助目前当不了生产监控的方法?

参考答案​